Teknik Deep Learning untuk Analisis Citra Hiperspektral di Bidang Pertanian: Sebuah Tinjauan

Tinjauan ini menelaah teknik deep learning seperti autoencoder, CNN, RNN, DBN, dan GAN untuk analisis citra hiperspektral di bidang pertanian, serta mengevaluasi kinerjanya pada dataset acuan seperti Indian Pines, Salinas Valley, dan Pavia University.

Mohamed Fadhlallah Guerri; C. Distante; P. Spagnolo; F. Bougourzi; A. Taleb-Ahmed· ISPRS Open Journal of Photogrammetry and Remote Sensing· 2023· DOI 10.48550/arXiv.2304.13880

Masalah inti

Pencitraan hiperspektral (HSI) telah memperoleh popularitas yang cukup besar di kalangan peneliti computer vision karena potensinya dalam menyelesaikan masalah penginderaan jauh, terutama di bidang pertanian. HSI menangkap informasi spektral pada ratusan band yang berdekatan, sehingga memungkinkan pembedaan material secara rinci. Namun, klasifikasi HSI merupakan tugas yang kompleks karena tingginya redundansi band spektral, terbatasnya sampel pelatihan, dan hubungan non-linear antara posisi spasial dan band spektral. Metode tradisional sering kali kesulitan menghadapi tantangan tersebut. Teknik deep learning telah muncul sebagai solusi yang menjanjikan untuk analisis HSI, menawarkan ekstraksi fitur otomatis dan akurasi klasifikasi yang lebih baik. Tinjauan literatur ini menelaah penerapan terkini pendekatan deep learning di bidang pertanian, termasuk Autoencoder, Convolutional Neural Network (1D, 2D, dan 3D), Recurrent Neural Network, Deep Belief Network, dan Generative Adversarial Network. Kinerja pendekatan-pendekatan tersebut dievaluasi dan dibahas pada dataset tutupan lahan yang terkenal: Indian Pines, Salinas Valley, dan Pavia University.

Inovasi

Tinjauan ini secara sistematis menganalisis arsitektur deep learning yang diterapkan pada klasifikasi HSI di bidang pertanian. Metodologi utamanya meliputi: - **Autoencoder (AE)**: Digunakan untuk ekstraksi fitur tanpa pengawasan dan reduksi dimensi, mengatasi tingginya redundansi band spektral. - **Convolutional Neural Network (CNN)**: - **1D-CNN**: Mengekstraksi fitur spektral dari piksel individual. - **2D-CNN**: Menangkap fitur spasial dari piksel tetangga. - **3D-CNN**: Secara simultan mengekstraksi fitur spektral dan spasial, memanfaatkan keseluruhan data cube. - **Recurrent Neural Network (RNN)**: Memodelkan sekuens spektral, menangkap dependensi jarak jauh. - **Deep Belief Network (DBN)**: Restricted Boltzmann Machine bertumpuk untuk pembelajaran fitur hierarkis. - **Generative Adversarial Network (GAN)**: Digunakan untuk augmentasi data dan pembelajaran semi-supervisi guna mengurangi keterbatasan sampel pelatihan. Tinjauan ini mengevaluasi metode-metode tersebut pada tiga dataset acuan: Indian Pines (sensor AVIRIS, 145x145 piksel, 200 band), Salinas Valley (AVIRIS, 512x217 piksel, 204 band), dan Pavia University (ROSIS, 610x340 piksel, 103 band). Metrik kinerja meliputi overall accuracy (OA), average accuracy (AA), dan koefisien kappa (κ).

Pendahuluan

Pencitraan hiperspektral (HSI) telah memperoleh popularitas yang cukup besar di kalangan peneliti computer vision karena potensinya dalam menyelesaikan masalah penginderaan jauh, terutama di bidang pertanian. HSI menangkap informasi spektral pada ratusan band yang berdekatan, sehingga memungkinkan pembedaan material secara rinci. Namun, klasifikasi HSI merupakan tugas yang kompleks karena tingginya redundansi band spektral, terbatasnya sampel pelatihan, dan hubungan non-linear antara posisi spasial dan band spektral. Metode tradisional sering kali kesulitan menghadapi tantangan tersebut. Teknik deep learning telah muncul sebagai solusi yang menjanjikan untuk analisis HSI, menawarkan ekstraksi fitur otomatis dan akurasi klasifikasi yang lebih baik. Tinjauan literatur ini menelaah penerapan terkini pendekatan deep learning di bidang pertanian, termasuk Autoencoder, Convolutional Neural Network (1D, 2D, dan 3D), Recurrent Neural Network, Deep Belief Network, dan Generative Adversarial Network. Kinerja pendekatan-pendekatan tersebut dievaluasi dan dibahas pada dataset tutupan lahan yang terkenal: Indian Pines, Salinas Valley, dan Pavia University.

Mengapa penting

Tinjauan ini menyoroti bahwa teknik deep learning secara signifikan memajukan klasifikasi HSI untuk pertanian dengan mengatasi tantangan utama: redundansi spektral, terbatasnya sampel berlabel, dan hubungan spektral-spasial non-linear. 3D-CNN unggul dengan mempelajari fitur spektral dan spasial secara bersamaan, tetapi disertai biaya komputasi tinggi dan memerlukan set pelatihan yang besar. Autoencoder dan DBN menawarkan pra-pelatihan tanpa pengawasan, berguna ketika label langka, tetapi mungkin tidak menangkap konteks spasial. RNN menangani sekuens spektral tetapi kurang efisien untuk citra berskala besar. GAN menunjukkan potensi untuk augmentasi data, namun ketidakstabilan pelatihan masih menjadi masalah. Arah masa depan meliputi: - Arsitektur ringan untuk pemantauan pertanian secara real-time. - Transfer learning untuk mengurangi ketergantungan pada dataset berlabel besar. - Integrasi data multi-modal (misalnya LiDAR, RGB) untuk pemetaan tanaman yang lebih baik. - Explainable AI untuk menafsirkan keputusan model dalam pertanian presisi. Tinjauan ini menyimpulkan bahwa meskipun deep learning telah mencapai akurasi yang luar biasa, penerapan praktis di bidang pertanian memerlukan penanganan efisiensi komputasi, interpretabilitas model, dan generalisasi di berbagai zona agro-ekologi yang beragam.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…